동적 베이지안 네트워크 - 다 변수 - 반복 이벤트 - bnstruct R 패키지

Question

비슷한 이벤트에서 데이터를 수집하는 특수한 경우에 bnstruct 패키지를 사용하여 동적 베이지안 네트워크 (DBN)를 학습하는 방법을 찾고 있습니다. 그렇기 때문에, 1) 시간당 하나의 이벤트로 DBN에 먹이를 주도록 훈련시키고 싶습니다.

실제 사건과 마찬가지로 이벤트, 행 및 열의 수가 많습니다. 2) 성능 향상을 위해 일부 병렬 처리를 구현할 수 있다면 좋을 것입니다.

아래에 더미 코드가 제공되며, 이벤트 경계를 무시하고 모든 데이터를 한꺼번에 공급해야합니다.

library(bnstruct) 

numEvents <- 40 
numRows <- 5 
numCols <- 3 

mat <- matrix(data = rnorm(numEvents * numRows * numCols), ncol = numCols) 
varNames <- paste0("var", 1:numCols) 
colnames(mat) <- varNames 

dataset <- BNDataset(data = mat, discreteness = rep(F, ncol(mat)), variables = varNames, node.sizes = rep(3, ncol(mat))) 

dbn <- learn.dynamic.network(dataset, num.time.steps = numCols) 

감사합니다.

Answer 1

생성하는 데이터는 bnstruct에서 3 개의 레이어가있는 DBN으로 처리되며 각 노드는 단일 노드로 구성됩니다. 데이터 집합을 일련의 이벤트로 처리하는 올바른 방법은 i 이벤트의 변수 X을 j의 동일한 변수 X과 다른 변수로 간주하는 것입니다. learn.dynamic.network은 암시 적 계층화가 적용된 learn.network의 프록시 일뿐입니다. 즉, 행을 추가하고 열을 추가하여 데이터 집합을 생성 할 필요가 없습니다. 비 네트의 섹션 4.1.2에는 DBN을 배우는 방법에 대한 설명이 있습니다.

구성하고 예에서 데이터 집합을 사용하는 올바른 방법은

mat <- matrix(data = rnorm(numEvents * numRows * numCols), ncol = numCols * numEvents) 
varNames <- rep(paste0("var", 1:numCols), numEvents) 
colnames(mat) <- varNames 

dataset <- BNDataset(data = mat, discreteness = rep(F, ncol(mat)), variables = varNames, node.sizes = rep(3, ncol(mat))) 

dbn <- learn.dynamic.network(dataset, num.time.steps = numEvents) 

dbn 40 층으로 나누어 120 개 효과적인 노드를 가질 것입니다.

첫 번째 질문 : 한 가지 아이디어는 연속적인 시간 단계의 시작점으로 초기 네트워크를 제공하는 것입니다. 시간 단계 의 데이터 집합이 시간 단계 t에 사용 된 데이터 집합에 새 열을 추가하여 얻은 것으로 가정하면 데이터 집합을 나타내도록 BN 개체를 수동으로 조정해야합니다. 패키지에서 비네팅

:

그것은 구조 검색을위한 출발점으로서 초기 네트워크를 제공하는 것도 가능하다. 이것은 는 세 종류의 입력을 받아들이는 initial.network 인수를 사용하여 수행 할 수있다 : (a 구조)

• BN 개체; 네트워크의 구조를 나타내는 인접 행렬을 포함하는 matrix;
• 임의로 샘플링 된 체인 모양의 네트워크에서 시작하는 문자열 random.chain.

가장 간단한 방법은 더 많은 노드가있는 네트워크, 새로운 노드에가는 아무 가장자리를하고, 같이 그 새 DAG를 사용하는 모든 확대에 0들과 DAG를 펼치기 유지하는 아마 출발점. 귀하의 예 :

library(bnstruct) 

numEvents <- 40 
numRows <- 5 
numCols <- 3 

mat <- matrix(data = rnorm(numRows * numCols), ncol = numCols) 
varNames <- paste0("var", 1:numCols) 
colnames(mat) <- varNames 

dataset <- BNDataset(data = mat, 
      discreteness = rep(F, ncol(mat)), 
      variables = varNames, 
      node.sizes = rep(3, ncol(mat))) 

dbn <- learn.network(dataset) 

for (event in 2:numEvents) { 

    # collect new data 
    new.mat <- matrix(data = rnorm(numRows * numCols), ncol = numCols) 
    colnames(new.mat) <- paste0(varNames, "_", event) 
    mat <- cbind(mat, new.mat) 
    dataset <- BNDataset(data = mat, 
         discreteness = rep(F, ncol(mat)), 
         variables = colnames(mat), 
         node.sizes = rep(3, ncol(mat))) 

    # expand structure of the DBN, adding the nodes relative to the new event 
    dbn.dag <- dag(dbn) 
    n.nodes <- ncol(dbn.dag) 
    new.dag <- matrix(0, nrow=ncol(mat), ncol=ncol(mat)) 
    new.dag[1:n.nodes, 1:n.nodes] <- dbn.dag 

    # learn 
    dbn <- learn.dynamic.network(dataset, 
           initial.network = new.dag, 
           num.time.steps = event) 

} 

그러나 이것은 매번 전체 DBN을 다시 배우게됩니다.가장자리가 바로 뒤의 계층에만 갈 수있는 경우 layer.struct 매개 변수를 제공하거나 한 번에 두 개의 이벤트를 사용하여 학습하고 더 큰 DBN을 수동으로 구축하여 검색 공간을 정리할 수 있습니다.

두 번째 질문의 경우 현재 bnstruct는 병렬 처리를 제공하지 않습니다.